Klasifikasi Pola Sidik Jari Menggunakan Jaringan Syaraf Tiruan
Backpropagation
Classification of Fingerprint Pattern Using Backpropagation Neural Network
Sulistiyasni*1, Edi Winarko2
1Jurusan Teknik Informatika, Fakultas Teknik Informatika STMIK WU, Purwokerto 2Jurusan Ilmu Komputer dan Elektronika, FMIPA UGM, Yogyakarta
e-mail: *1sulistiyasnipwt@yahoo.co.id, 2ewinarko@gmail.com
Abstrak
Penelitian ini membahas tentang klasifikasi sidik jari, yang bertujuan untuk mengklasifikasi sidik jari manusia dalam tiga kelas yaitu: whorl, Arch, dan loop. Tahap yang dilakukan adalah preprocessing, segmentasi, ekstrasi ciri dan klasifikasi. Dalam preprocessing yang dilakukan grayscale, median filter, peregangan kontras, histogram. Segmentasi menggunakan metode otsu thresholding dan ekstrasi ciri menggunakan gray level cooccurence matrix (GLCM). Fitur yang digunakan adalah correlation, contrast, energy, homogeneity, dan entropy. Klasifikasi tersebut menggunakan jaringan syaraf tiruan backpropagation. Hasil penelitian system ini dapat mengklasifikasi sidik jari dengan akurasi 87,5%.
Kata kunci: GLCM, backpropagation neural network
Abstract
This research describes the fingerprint classification. Proposed to classify human based on three classes such as: whorl, arch, and loops. The proposed system consists of four steps preprocessing, segmentation, feature extraction and classification. In preprocessing, there are some of steps such as grayscale, median filter, auto contras, and histogram. Segmentation used otsu thresholding method and features extraction used gray level coocurence matrix (GLCM), in which the features are correlation, contrast, energy, homogeneity, and entropy. These classification use backpropagations neural network. The result shown that system can classify fingerprint with accuracy 87,5%.
Keywords: GLCM, backpropagation neural network
1.
Pendahuluan
Klasifikasi sidik jari merupakan bagian penting dalam system pengidentifikasian indifidu. Pemanfaatan identifikasi sidik jari sudah semakin luas sebagai bagian dari biometrik. Biometrik adalah cabang ilmu untuk mengidentifikasi indifidu berdasarkan sifat fisiknya (Gonzales dan Wood, 2008). Sifat fisik harus bersifat unik yaitu dapat berupa pola garis–garis alur sidik jari, bentuk geometri tangan, kunci frekuensi suara, rincian ciri wajah, pola iris dan retina mata yang umumnya untuk setiap indifidu tidak sama. Jadi pola sidik jari merupakan salah satu identifikasi perorangan yang bersifat unik yang sudah lama digunakan dalam penyidikan kepolisian, sistem keamanan dan sekarang untuk kontrol akses dan pemeriksaan kartu ATM.
Pola pada tangan dan sidik jari merupakan bagian dari cabang ilmu yang disebut
yang diambil dari cap jari tangan pada kartu. Sekarang telah dibuat teknik klasifikasi sidik jari secara otomatis secara digital, tetapi belum ada algoritma pendekatan yang dapat diandalkan. Biasanya sebelum diklasifikasi dilakukan terlebih dahulu praklasifikasi yang tujuannya adalah untuk meningkatkan keandalan pencarian pada data yang besar. Adanya klasifikasi dapat membantu mempercepat proses dan pencarian pada data sidik jari yang umumnya berjumlah besar.
Jaringan syaraf tiruan mempunyai kemampuan untuk menyimpan pengetahuan yang didapatkan dari hasil latihan. Kemampuan ini mirip dengan fungsi otak manusia, sehingga sistem jaringan syaraf tiruan dapat digunakan pada pekerjaan yang membutuhkan kecerdasan manusia. Dalam melakukan proses belajar, jaringan syaraf tiruan dapat memodifikasi tingkah lakunya sesuai dengan keadaan lingkungannya. jaringan syaraf tiruan dapat mengatur dirinya sendiri untuk menghasilkan suatu respon yang konsisten terhadap serangkaian masukan. Beberapa jaringan syaraf tiruan memiliki kemampuan untuk mengabstraksikan intisari serangkaian masukan. Aplikasi jaringan syaraf selama beberapa tahun ini umumnya berpusat pada tiga bidang utama, yaitu analisis data, pengenalan pola, dan fungsi kendali. Jaringan syaraf tiruan memiliki kemampuan yang sangat baik dalam teknik pengenalan pola (pattern recognition).
Pendekatan jaringan saraf tiruan (JST) sangat cocok untuk menerapkan metode pengenalan pola untuk melengkapi sistem sensor. Penelitian ini melengkapi sebuah program jaringan syaraf tiruan backpropagation pola sidik jari, yang dibuat dengan Visual C#. Arsitektur backpropagation dipilih karena dapat sekaligus menampilkan berbagai pola sidik jari sebagai keluaran, sehingga identifikasi alternatif dapat dilihat (dalam bentuk faktor korelasi).
Arsitektur lain seperti Hebb, heteroassociative, dan autoassociative hanya menetapkan keluaran yang menyatakan apakah sebuah pola yang diuji adalah termasuk pola kelas yang disimpan jaringan atau tidak. Pada program ini untuk memperlihatkan bagaimana jaringan syaraf tiruan menangani pengelompokan kelas pola sidik jari (Dunstone dan Yager, 2009).
Jaringan saraf tiruan dengan metode perambatan balik (backpropagation) digunakan oleh penulis karena mudah untuk dipelajari dalam sebuah sistem yang mampu menganalisis dan mengidentifikasi sidik jari seseorang dan penggunaan algoritma jaringan syaraf tiruan dengan pendekatan metode backpropagation ini dinilai sesuai karena backpropagation
merupakan salah satu algoritma klasifikasi yang sederhana namun memiliki kemampuan dan akurasi tinggi.
2.
Metode Penelitian
Metode jaringan syaraf tiruan backpropgation (propagasi balik) merupakan metode yang sangat baik dalam menangani masalah pengenalan pola–pola kompleks. Metode ini merupakan metode jaringan syaraf tiruan yang populer dan paling banyak dipakai untuk berbagai aplikasi.
Backpropagation adalah bentuk jaringan syaraf tiruan yang terdiri dari beberapa layer. Jaringan syaraf tiruan backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan.
menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward), untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi yang dapat dideferensiasi. Jaringan syaraf tiruan
backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layer tersembunyi. Gambar 1 adalah arsitektur JST backpropagation dengan n buah masukan ( ditambah sebuah bias), sebuah layer tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran (Jeck, 2009) ditujukan dengan nilai (X1, X2,...Xn) ditambah sebuah bias, sebuah layar tersembunyi yang terdiri dari p ditunjukan dengan nilai ( , ... ) ditambah sebuah bias, serta ( ) buah unit keluaran.
� merupakan bobot garis dari unit masukan ke unit layar tersembunyi ( merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi
). merupakan bobot dari unit layar tersembunyi ke unit keluaran ( merupakan bobot dari bias di layar tersembunyi ke unit keluaran )
Gambar 1. Arsitektur JST backpropagation (Jeck, 2009)
2.1 Analisa
Penelitian ini membahas masalah klasifikasi pada pola sidik jari manusia yang diambil dari fingerprint. Diperlukan tahapan-tahapan yang harus dilakukan untuk mendapatkan klasifikasi dari sidik jari tersebut. Tahapan-tahapan yang harus dilakukan adalah akuisisi,
preprocessing dan segmentasi, feature extraction, dan klasifikasi.
Akuisisi
Akuisisi merupakan tahap awal yang dilakukan untuk memperoleh data citra digital. Citra yang digunakan adalah citra sidik jari dalam bentuk file gambar dengan format Joint Photographic Experts Group (*.jpeg) seperti yang ditunjukkan pada Gambar 2.
Preprocessing
Preprocessing merupakan gambar akuisisi sidik jari belum fokus sempurna diseluruh area gambar. Maka, sebuah filter high-pass dengan frekuensi tinggi penekanan (Suyadi, 2010) diaplikasikan pada gambar asli seperti pada Gambar 3, dalam rangka meningkatkan batas dan meminimalkan fokus masalah. Setelah penyaringan gambar sudah pas, gambar yang dihasilkan diajukan kepemerataan histogram untuk meningkatkan kontras seperti pada Gambar 4.
Gambar 3. Gambar asli (Viera, 1997)
Gambar 4. Setelah di preprocessing dan segmentasi (Viera, 1997)
Setelah preprocessing dilakukan, maka perlu untuk menemukan daerah yang dimaksud dalam gambar, di mana ekstraksi fitur akan berlangsung. Segmentasi dibagi menjadi dua proses yang berbeda. Sampel pertama gambar dari setiap kelas sidik jari dikonversi dari gray-scale ke biner melalui nilai ambang tetap. Gambar biner ini kemudian disampaikan kepada morfologi operasi erosi dan dilatasi, masing-masing, meninggalkan pada gambar di satu area piksel hitam yang sesuai ke pusat daerah.
Gambar 5. Potongan gambar berdasarkan correlational (Viera, 1997)
Langkah selanjutnya adalah mendeteksi batas persegi panjang dari area hitam yang dihasilkan, yang geometris pusatakan menjadi pusat 8x8 piksel. Gambar 5 menunjukkan salah satu hasil dari preprocessing dan segmentasi dari sampel pertama dari kelas sidik jari. Sampel gambar sisa sidik jari masing-masing kelas yang tersegmentasi dengan cara yang berbeda. Gambar 6 menunjukkan salah satuhasil yang dicapai. Prosessegmentasi ditunjukkan pada Gambar 7 digunakan sebagai masukan untuk ekstraksi fitur.
Gambar 7. Contoh pertama potongan kelas sidik jari (mean matematika morphology),
gambar kedua potongan kelas yang sama (mean maximal korelasi) (Viera, 1997)
Feature Extraction
Feature extraction merupakan proses untuk menciptakan feature yang relevan daripola. Untuk kasus tertentu dari fitur tersebut ekstraksi dari gambar sidik jari beberapa pendekatan telah dikembangkan, sebagian besar dari mereka didasarkan pada khusus karakteristik dari pola sidik jari, seperti ridge orientasi dan minutia deteksi (Suyadi, 2010). Proses ekstrasi ciri dilakukan menghitung 6 ciri statistik yaitu maximim probabiity, entropy, energy, kontras, korelasi, dan homogenitas.
Klasifikasi
Klasifikasi pada penelitian ini menggunakan JST backpropagation untuk mendapatkan hasil klasifikasi. Pembentukan klasifikasi dimulai dengan memberikan input gambar dari
feature extraction dan menkonversi format data tersebut dengan Graylevel co-occurrence
matrix(GLCM) untuk mendapatkan data input yang akan digunakan untuk proses klasifikasi.
Kemudian dari hasil ekstrasi dari GLCM menjadi input yang terdiri dari jaringan syaraf tiruan yaitu corelasi, contras, homogenity, entropy, dan energi, nilai masuk dari - 5, selanjutnya menghitung output dari , kali bobot ke ditambah kali bobot ke samapai ke 5 setelah itu dapat nilai, kemudian dihitung menggunakan rumus sigmoid fungsi aktivasi untuk mendapatkan output jaringan kali bobot ke sampai 7 kali bobot 7 ke output pada layer output merupakan output dari jaringan syaraf tiruan sedangkan output ada 2 hidden layer disesuaikan dengan pengujian, output 2 karena punya 2 kelas, yaitu Kelas 1 : 0 0, Kelas 2 : 1 1 dan Kelas 3 : 1 0. Kemudian system akan membuat klasifikasi dengan metode JST backpropagation.
2.2 Implementasi
Implementasi ini merupakan hasil akhir dari rancangan antar muka system klasifikasi sidik jari. Antar muka system klasifikasi sidik jari ini berisi seluruh kegiatan yang dapat dilakukan pengguna untuk membentuk klasifikasi. Antar muka yang telah dibuat ini mempunyai tiga buah menu yaitu menu ambil citra, menu ambil data latih/uji, dan menu
Gambar 8. Antarmuka system klasifikasi sidik jari
Proses terapkan untuk perubahan parameter yang dirubah. Simpan parameter yaitu untuk menyimpan bobot yang disimpan. Sedangkan ambil parameter untuk meload kembali bobot-bobot parameter jumlah hiden layer yang disimpan, pembulatan keluaran = 0 ( tidak ada angka dibelakang koma atau dibulatkan bilangan bulat terdekat). Start untuk mulai pembelajaran, sedangkan stop untuk berhenti. Hitung keluaran yaitu untuk menghitung output jaringan syaraf tiruan dan tampilkan keluaran yaitu dari epoch 1 ditampilkan, sedangkan info pembelajaran untuk keterangan selama pembelajaran misalkan nomor epoch
dan besarnya error. Validasi yaitu untuk menghitung keluaran dari citra sidik jari yang dimasukan.
Berikut ini merupakan implementasi yang dipanggil pada perintah akuisisi citra. Bagian citra yang akan diakuisisi untuk kemudian disimpan dalam sebuah variabel agar bisa diproses lebih lanjut. Proses akuisisi citra lalu disimpan dalam picture box yang berfungsi untuk melihat citra. Setelah citra diakuisisi maka akan dilanjutkan pada langkah selanjutnya yaitu preprosesing citra.
Preprosesing citra yang diimplementasikan adalah berdasarkan flowchart pada perancangan preprosesing yaitu median filter, adalah tahap perenggangan kontras (contrast stretching). Perenggangan kontras dilakukan untuk memperbaiki kualitas kontras dari citra sehingga memudahkan dalam proses selanjutnya (segmentasi).grayscale, adalah membuat
image baru yang seukuran dengan image asli dan mengambil objek grafik dari image yang baru, skala keabuan image yang baru dengan membuat atribut image yang baru. Contrast enhancement tahap perenggangan kontras (contrast stretching). Perenggangan kontras dilakukan untuk memperbaiki kualitas kontras dari citra sehingga memudahkan dalam proses selanjutnya (segmentasi) dan histogram equalization.
Segmentasi yang digunakan dalam penelitian ini adalah menggunakan otsu threshold
untuk mendapatkan bentuk (tekstur) objek fingerprint. Nilai threshold yang digunakan adalah 256. Nilai ini diperoleh dari hasil percobaan beberapa threshold yang mungkin. Nilai tersebut dipilih karena pada threshold tersebut program berhasil mensegmentasi dari wilayah citra yang lain terutama wilayah anomali yang memiliki tingkat kecerahan.
menghitung Mr (Nilai m untuk baris) yang nanti digunakan untuk menghitung Correlation,
menghitung Mc (Nilai m untuk kolom) yang digunakan untuk menghitung Correlation,
menghitung standar deviasi untuk baris yang digunakan untuk menghitung Correlation,
menghitung standar deviasi untuk kolom digunakan untuk menghitung Correlation,
menghitung Max Probability, menghitung Correlation, menghitung Contrast, menghitung
energy, menghitung Homogeneity, menghitung Entropy, dan menghitung properti GLCM dua dimensi dari image.
Proses klasifikasi pada pembelajaran satu pola input akan diberikan ke satu neuron pada lapisan input. Pola ini akan dirambatkan di sepanjang jaringan syaaf sampai ke neuron pada lapisan output. Lapisan otput ini akan membangkitkan pola output yang nantinya akan dicocokkan dengan pola targetnya. Apabila terjadi perbedaan antara pola output hasil pembelajaran dengan pola target, maka disini akan muncul error. Apabila nilai error ini masih cukup besar, maka masih perlu dilakukan lebih banyak pembelajaran lagi. Untuk menghasilkan nilai awal bobot berdasarkan perhitungan feed forward. Nilai bobot disimpan dalam field weights dimana field ini bertype array dari array 2D ([ ][ , ]), dimana index array pertama menandakan index layer (0 untuk input, 1 untuk hidden layer pertama, 2 untuk output), sedangkan index array kedua menandakan index neuron pada layer sebelum dan index array ketiga menandakan index neuron pada layer sesudah sesuai perhitungan feed forward. Proses feedforward di atas menggunakan fungsi aktifasi tangen hiperbolik dimana nilainya mendekati nilai fungsi sigmoid. Informasi jumlah neuron setiap layer (input, hidden
layer, dan output) disimpan dalam field “layer Nodes Count”. Perualangan dilakukan untuk menghitung neuron-neuron pada hidden layer dan output (sebagai output jaringan) yang
disimpan dalam field “hidden Neuron”.
Implementasi proses JST backpropagation (mencari perubahan bobot) yang menjelaskan bagaimana bobot dalam jaringan diupdate dengan menjumlahkan nilai epoch
sekarang dengan delta weight untuk mendapatkan bobot pada epoch berikutnya. Setelah mendapatkan besarnya delta bobot, langkah selanjutnya menghitung bobot baru menggunakan perubahan bobot momentum dan menjelaskan bagaimana bobot bias dalam jaringan diupdate dengan menjumlahkan nilai epoch sekarang dengan delta weight untuk mendapatkan bobot bias pada epoch berikutnya.
Klasifikasi jaringan syaraf tiruan mengkonfirmasi efisiensi ekstraksi fitur, metode umpan-maju jaringan syaraf dengan satu lapisan tersembunyi dilatih dengan gradient descent teknik. Backpropagation sederhana jaringan terdiri dari 5 input (yang sesuai untuk dimensi dari vektor fitur), 7 node hidden layer dan 2 output keluaran (sesuai dengan nomor kelas sidik jari yang bersangkutan yang pertama dan kedua. Dataset, masing-masing). Pelatihan yang diawasi dilakukan dengan 4 elemen dari setiap kelas untuk set data pertama dan dengan 5 elemen dari setiap kelas untuk data set kedua. Dalam kedua kasus pola pelatihan disajikan secara acak kesaraf jaringan. Elemen yang tersisa dari setiap rangkaian data adalah digunakan untuk menguji jaringan saraf. Untuk secara akurat mengidentifikasi semua anggota masing-masing kelas menunjukkan fitur skema ekstraksi cocok untuk gambar sidik jari.
3.
Hasil dan Pembahasan
kelompok data yaitu: (i) data pelatihan 70 citra (terbagi atas kelas Whorl, Arch dan Loop) dan (ii) data pengujian 40 citra (terbagi atas kelas Whorl, Arch dan Loop). Data – data tersebut diekstrak menggunakan metode GLCM dengan jarak 2 pixel tetangga.
3.1 Pengaruh Parameter JST
Berdasarkan tiap parameter JST yang terdiri dari lerning rate, momentum, arsitektur (jumlah hidden layer, jumlah node dalam hiden layer) memperhatikan pengaruh perubahan setiap parameter, apakah semakin kecil semakin baik atau sebaliknya. Pengujian di bawah ini untuk melihat pengaruh parameter jaringan syaraf tiruan terhadap kinerja jaringan syaraf tiruan.
Pengaruh parameter learning rate.
Pengaruh parameter learning rate (α) terhadap jumlah epochdalam pelatihan JST dapat diketahui dengan cara melatih JST dengan memvariasikan parameter learning rate (α)
antara 0.001 sampai dengan 0.15 secara linear.
Pengaruh kecepatan parameter learning rate (α) terhadap jumlah epoch dalam pelatihan JST untuk konfigurasi pelatihan dengan momentum 0.95, node 7 dan toleransi SSE disajikan dalam Table 1. Perubahan learning rate yang ditunjukan pada Tabel 1 menunjukan pengaruh terhadap jumlah epoch yaitu semakin besar maka semakin banyak jumlah epoch
Tabel 1. Pengaruh parameter learning rate
Pengaruh jumlah neuron dalam jumlah node.
Pengaruh jumlah neuron dalam lapisan tersembunyi dapat diketahui dengan cara melakukan uji coba pelatihan JST dengan mengubah jumlah neuron. JST dilatih dengan toleransi error = 1, momentum (μ) = 0.95, learning rate (α) = 0.15, dengan jumlah neuron
dalam lapisan tersembunyi divariasikan 3 sampai 12. Hasil perbandingan antara jumlah
hidden neuronterhadap error yang terjadi untuk semua data pelatihan dalam satu lapis tersembunyi pada pelatihan JST ditunjukkan pada Tabel 2.
Tabel 2. Hubungan jumlah hiddenneuron terhadap error No Jumlah node Iterasi/epoch Error
Pengaruh Parameter Momentum (μ)
Pengaruh parameter momentum (μ) di dalam sistem JST sangat berpengaruh terhadap jumlah epoh yang diperlukan oleh sistem JST untuk mencapai minimum error yang ditentukan.. Secara lengkap hubungan antara pemberian parameter momentum (μ) terhadap jumlah iterasi pada pelatihan JST dengan learning rate (α) 0.15, node 7 dan error disajikan dalam Tabel 3. Hasil pelatihan berupa parameter Correlation, Contrast, energy, Homogeneity, dan Entropy, disimpan sebagai parameter untuk pengujian.
Tabel 3. Hubungan antara parameter momentum terhadap jumlah iterasi No Momentum Iterasi/epoch Error
1 0,95 378557 0.0106071095
2 0,90 99425 0.2411322838
3 0,85 406935 0.0198762500
4 0,80 97251 0.1519399359
5 0,75 98487 0.2766944891
6 0,70 126123 0.0397059873
3.2 PengujianAkurasi
Akurasi data diuji dengan menggunakan sebanyak 40 data. Parameter yang digunakan adalah parameter dari hasil pelatihan sebelumnya. Berdasarkan informasi hasil pengujian pengaruh parameter-parameter JST terhadap epohnya, maka untuk mendapatkan bobot yang paling optimal untuk proses pengujian dalam pelatihan JST kali ini peneliti menggunakan parameter sebagai berikut :
1. Jumlah node dalam lapis tersembunyi = 7 2. Parameter learning rate (α) = 0.15
3. Parameter momentum (μ) = 0.95
4. SSE= 0,01
Pengujian terhadap sampel citra yang digunakan sebagai data pelatihan JST dilakukan untuk mengetahui keakurasian program dalam mengenali pola-pola yang dilatihkan kepadanya.
Pada penelitian ini proses pengujian sampel dilakukan untuk menguji kemampuan JST dalam mengenali pola-pola data citra yang digunakan sebagai data pelatihan maupun sampel citra yang tidak digunakan sebagai data pelatihan (citra pengujian). Untuk mengetahui kinerja JST dalam mengklasifikasi citra pola sidik jari maka dilakukan pengujian menggunakan data citra sebanyak empat puluh buah citra yang diproses menggunakan klasifikasi pola sidik jari. Hasil dari data uji ditunjukkan pada Gambar 9. Keterangan dari gambar bahwa untuk kelas whorl adalah 0, 1, untuk kelas yaitu 1,0 dan kelas loop 0,0.
Tabel 4. Hasil pengujian menggunakan klasifikasi sidik jari
Pengujian Klasifikasi benar
Klasifikasi salah
Klasifikasi (%)
Data training 70 0 100 %
Data testing 35 5 87.5%
Hasil pengujian akurasi kinerja JST backpropagation seperti ditunjukkan pada Tabel 4 dan Gambar 4, dimana ketika dilakukan pengujian terhadap data training maka diperoleh akurasi sebesar 100%. Sedangkan untuk hasil pengujian yang dilakukan terhadap data testing sejumlah 40 data diperoleh akurasi sebesar 87,5 %,
4.
Kesimpulan
1. Pengujian dan penerapan klasifikasi sidik jari menggunakan jaringan syaraf tiruan
backpropagation telah dibangun sebuah aplikasi pengolahan data citra untuk klasifikasi sidik jari dengan fitur, ambil citra, ambil data latih atau uji dan tampilkan grafik error.
2. Aplikasi dengan metode backpropagation mampu melakukan klasifikasi terhadap citra pola sidik jari pada kelas whorl, arch dan loop dengan hasil akurasi 87,5%.
Daftar Pustaka
Dunstone, T.,Yager, N., 2009, Biometric System and Data Analysis Design, Evaluation, and Data Mining, Springer London
Gadkari, D., 2004, Image Quality Analysis Using GLCM, Tesis, University of Central Florida Gonzales R. C., Woods, R. E., 2008, Digital Image Processing, 3rd ed, Prentice Hall: Upper Sadle
River, New Jersey, USA
Jek, J.,S., 2009, Jaringan Syaraf Tiruandan Pemrogramannya Menggunakan Matlab, Andi Offset, Yogyakarta
Negnevitsky, M., 2005, Artificial Intellegence A Guide to Intellegent Systems, Addison Wesley, England
Putra, D., 2009, Sistem Biometrika, Andi Offet, Yogyakarta Suyadi, 2010. Rahasia Sidik Jari, Andi Offset, Jogjakarta
